shiyueyueya

论文阅读：PMF基于视觉感知的多传感器融合点云语义分割Perception-Aware Multi-Sensor Fusion for 3D LiDAR Semantic Segmentation

题目：Perception-Aware Multi-Sensor Fusion for 3D LiDAR Semantic Segmentation

中文：用于 3D LiDAR 语义分割的多传感器感知融合

来源： ICCV 2021

链接：https://arxiv.org/abs/2106.15277v2

个人觉得有用的和自己理解加粗和（）内表示，尽量翻译的比较全，有一些官方话就没有翻译了，一些疑惑的地方欢迎大家探讨。[]内引用的文献如果感兴趣，可以找到对应原文去寻找阅读，也可以一起探讨。

如果对整个领域比较了解建议只用看一下引言最后一段 + 第三章网络结构即可。可以打开右侧目录跳转~

0、摘要

3D LiDAR (光检测和测距) 语义分割对于许多应用 (例如自动驾驶和机器人技术) 在场景理解中很重要。例如，对于配备RGB摄像头和激光雷达的自动驾驶汽车，至关重要的是融合来自不同传感器的互补信息，以实现稳健和准确的分割。但是，由于两种模式之间的巨大差异，现有的基于融合的方法可能无法实现有前途的性能。在这项工作中，我们研究了一种称为多传感器感知融合perception-aware multi-sensor fusion (PMF)的协作融合方案，以利用两种模式的感知信息，即来自RGB图像的外观信息和来自点云的空间深度信息。为此，我们首先将点云投射到相机坐标上，为RGB图像提供空间深度信息。然后，我们提出了一个包含两个工作流（激光雷达流+相机流）的网络，分别从两种模态中提取特征，并通过有效的基于残差的融合模块融合特征。此外，我们提出了额外的感知感知损失来测量两种模态之间的感知差异。在两个基准数据集上进行的大量实验表明了我们方法的优越性。例如，在nuScenes上，我们的PMF通过在mIoU中0.8% 而优于最先进的方法。

1、引言

语义场景理解是许多应用程序的基本任务，例如自动驾驶和机器人技术 [16,34，47,48]。具体来说，在自动驾驶的场景中，它为高级运动规划提供了细粒度的环境信息，并提高了自动驾驶汽车的安全性 [3,18]。语义场景理解中的重要任务之一是语义分割，它为输入数据中的每个数据点分配一个类标签，并帮助自动驾驶汽车更好地理解环境。

根据语义分割方法使用的传感器，最近的研究可以分为三类：只用相机的方法 [2, 9, 10, 35, 58]，只用激光雷达的方法 [1, 13, 26, 54, 62] 和多传感器融合方法 [30、37、39、52、59]。借助大量开放访问数据集 [6,12,14]，仅相机方法取得了很大进展。由于相机获得的图像具有丰富的外观信息（例如，纹理和颜色），因此仅相机方法可以提供细粒度和准确的语义分割结果。然而，作为被动传感器，相机容易受到光照条件变化的影响，因此不可靠 [50]。为了解决这个问题，研究人员对 LiDAR 的点云进行了语义分割。与仅使用相机的方法相比，仅使用 LiDAR 的方法对不同的光照条件更加稳健，因为 LiDAR 可提供有关物理世界的可靠且准确的空间深度信息。不幸的是，由于点云的稀疏和不规则分布，仅 LiDAR 的语义分割具有挑战性。（相机和激光都有各自的缺点）

此外，点云缺乏纹理和颜色信息，导致仅激光雷达方法的细粒度分割任务存在较高的分类误差。解决仅摄像机和仅激光雷达方法的两个缺点的简单解决方案是融合来自两个传感器的多模态数据，即多传感器融合方法。尽管如此，由于RGB相机和激光雷达之间存在较大的领域差距，多传感器融合仍然是一项艰巨的任务。

在多传感器融合方法中，融合来自不同传感器的多模态数据是一个重要问题。现有的基于融合的方法[37、52]主要使用球面投影[40]将密集的图像特征投影到LiDAR坐标，并在稀疏的LiDAR域中进行特征融合。然而，这些方法有一个关键的局限性：由于点云非常稀疏，RGB 图像的大部分外观信息在投影到 LiDAR 坐标后都丢失了。例如，如图1（c）所示，图像中的汽车和摩托车因球面投影而变形。因此，现有的基于融合的方法难以从投影的 RGB 图像中捕获外观信息。

在本文中，我们旨在开发一种有效的多传感器融合方法。与现有方法 [37、52] 不同，我们假设并强调来自 RGB 图像和点云的感知信息，即来自图像的外观信息和来自点云的空间深度信息，在基于融合的语义分割中很重要。基于这种直觉，我们提出了一种感知多传感器融合（PMF）方案，该方案从三个方面对来自两种数据模态的感知信息进行协同融合。首先，我们提出了一种透视投影，将点云投影到相机坐标系，以获得 RGB 图像的额外空间深度信息。其次，我们提出了一个包含相机流和激光雷达流的双流网络 (TSNet)，以分别从多模态传感器中提取感知特征。考虑到来自图像的信息在室外环境中不可靠，我们通过有效的基于残差的融合（RF）模块将图像特征融合到 LiDAR 流中，这些模块旨在学习原始 LiDAR 模块的互补特征。第三，我们提出感知损失来衡量两种数据模式之间巨大的感知差异，并促进不同感知信息的融合。具体来说，如图2所示，相机流和LiDAR流捕获的感知特征是不同的。因此，我们使用置信度较高的预测来监督置信度较低的预测。

我们的贡献总结如下。首先，我们提出了一种感知的多传感器融合 (PMF) 方案，以有效地融合来自RGB图像和点云的感知信息。其次，通过融合来自点云的空间深度信息和来自RGB图像的外观信息，PMF能够解决不希望的光照条件和稀疏点云的分割问题。更关键的是，PMF通过整合来自点云的信息，对RGB图像的对抗性样本具有鲁棒性。第三，我们将感知感知损失引入网络，并迫使网络从两个不同的模态传感器捕获感知信息。在两个基准数据集上进行的大量实验证明了我们方法的卓越性能。例如，在nuScenes [7] 上，通过在mIoU中0.8%，PMF的性能优于Cylinder3D [64]，这是一种最先进的仅激光雷达方法。

2. 相关工作Related Work

2.1 仅相机方法 Camera-Only Methods

仅相机的语义分割旨在预测2D图像的像素标记。FCN [35] 是语义分割的基础工作，它提出了一种基于图像分类网络的端到端全卷积体系结构。除FCN外，最近的工作还通过探索多尺度信息 [9,31，63]，扩张卷积 [10,38，53] 和注意机制 [27,58] 获得了重大改进。然而，仅相机的方法容易受到照明 (例如，曝光不足或曝光过度) 的干扰，并且可能对室外场景不具有鲁棒性。

2.2. 仅激光方法LiDAR-Only Methods

为了解决摄像头的缺点，激光雷达是自动驾驶汽车上的重要传感器，因为它对更复杂的场景具有鲁棒性。根据预处理流水线，现有的点云方法主要包含两类，包括直接方法 [26,44，45,64] 和基于投影的方法 [13,54，55,56]。直接方法通过直接处理原始3D点云来执行语义分割。PointNet [44] 是该类别中的一项开创性工作，通过多层感知提取点云特征。随后的扩展，即 PointNet++ [45]，进一步聚合了多尺度采样机制以聚合全局和局部特征。然而，这些方法没有考虑室外场景中点云的不同稀疏性。 Cylinder3D [64] 通过使用 3D 圆柱分区和非对称 3D 卷积网络解决了这个问题。然而，直接方法具有较高的计算复杂度，这限制了它们在自动驾驶中的适用性。基于投影的方法更有效，因为它们将 3D 点云转换为 2D 网格。在基于投影的方法中，研究人员专注于开发有效的投影方法，例如球面投影 [40、54] 和鸟瞰投影 [62]。这种 2D 表示允许研究人员研究基于现有 2D 卷积网络的高效网络架构 [1、13、21]。除了基于投影的方法之外，还可以通过现有的神经架构搜索 [8、22、42] 和模型压缩技术 [23、33、57] 轻松提高网络效率。

2.3. 融合方法Multi-Sensor Fusion Methods

为了利用相机和激光雷达的优势，最近的工作试图融合来自两个互补传感器的信息，以提高3D语义分割算法的准确性和鲁棒性 [30,37，39,52]。RGBAL [37] 将RGB图像转换为极坐标网格映射表示，并设计早期和中级融合策略。PointPainting [52] 获得图像的分割结果，并通过使用鸟瞰投影 [62] 或球形投影 [40] 将其投影到激光雷达空间。将投影的分割分数与原始点云特征相连接，以提高激光雷达网络的性能。与在LiDAR域中执行特征融合的现有方法不同，PMF利用了相机坐标中多峰数据的协作融合。

3、我们的方法Proposed Method

在这项工作中，我们提出了一种感知感知多传感器融合 (PMF) 方案，以对来自RGB图像和点云的感知信息进行有效融合。具体来说，如图3所示，PMF包含三个组成部分 :( 1) 透视投影; (2) 具有基于残差的融合模块的双流网络 (TSNet); (3) 感知感知损失。PMF的一般方案如算法1所示。我们首先使用透视投影将点云投影到相机坐标系。然后，我们使用包含相机流和激光雷达流的双流网络分别从两种模态中提取感知特征。来自相机流的特征通过基于残差的融合模块融合到激光雷达流中。最后，我们将感知感知损失引入网络优化中。

小知识图片里的 w.r.t. ：with respect to 关于

3.1 透视投影的公式 Formulation of Perspective Projection

现有方法 [37,52] 主要使用球面投影将图像投影到激光雷达坐标系。但是，由于点云的稀疏性质，来自图像的大多数外观信息都随球形投影而丢失 (请参见图1)。为了解决这个问题，我们提出了透视投影，将稀疏点云投影到相机坐标系。

{P，X，y} 是来自给定数据集的训练样本。分别是点云、图像、点云的标签。

$\mathbf{P} \in \mathbb{R}^{4 \times N}$ 表示来自激光雷达的点云，N表示点数。点云P中的每个点Pi由3D坐标 (x，y，z) 和反射率值 (r) 组成。

$\mathbf{X} \in \mathbb{R}^{3 \times H \times W}$ 是来自RGB相机的图像，其中H和W分别表示图像的高度和宽度。

$\mathbf{y} \in \mathbb{R}^{N}$ 是点云P的语义标签集。

在透视投影中，我们旨在将点云 P 从 LiDAR 坐标投影到相机坐标以获得 2D LiDAR 特征 $\widetilde{\mathbf{X}} \in \mathbb{R}^{C \times H \times W}$ 。这里，C 表示投影点云的通道数。根据[17]的思想，我们通过将第四列附加到 Pi 获得 $\mathbf{P}_{i}=(x, y, z, 1)^{\top}$ ，并通过下面的公式计算相机坐标中的投影点 $\widetilde{\mathbf{P}}_{i}=(\widetilde{x}, \widetilde{y}, \tilde{z})^{\top}$

$\widetilde{\mathbf{P}}_{i}=\mathbf{T R P}_{i}$

$\mathbf{T} \in \mathbb{R}^{3 \times 4}$ 是从激光雷达坐标到相机坐标的投影矩阵。R是旋转矩阵，T和R可以通过[19]中的方法获得。随后，投影图像 $\tilde{X}$ 中的对应像素 (h，w)可以通过 $h=\widetilde{x} / \widetilde{z}$ 和 $w=\widetilde{y} / \widetilde{z}$ 获得。

由于点云很稀疏，投影图像 $\tilde{X}$ 可能没有对应的点云p。因此，我们首先让 $\tilde{X}$ 所有点初始化为0。根据[13]，对于每个投影图像 $\tilde{X}$ 像素点（h，w)，我们计算5个通道的雷达特征(d,x,y,z,r)， $d=\sqrt{x^{2}+y^{2}+z^{2}}$ 。

3.2. PMF的结构设计Architecture Design of PMF

由于图像和点云是不同模态的数据，因此很难使用单个网络处理来自两种模态的两种类型的信息 [30]。受 [15, 49] 的启发，我们提出了一个包含相机流和 LiDAR 流的双流网络 (TSNet)，分别处理来自相机和 LiDAR 的特征，如图3所示。通过这种方式，我们可以使用为图像和点云设计的网络架构作为 TSNet 中每个流的主干。

令 $\widetilde{M}$ 和M分别为TSNet中的激光雷达流和摄像机流（之后也都是这么定义的，带~都指代的是相机，整体上是个很并行的网络，只有融合模块有交集）。令 $\widetilde{\mathbf{O}} \in \mathbb{R}^{S \times H \times W}$ 和 $O\in \mathbb{R}^{S \times H \times W}$ 为输出概率。每个网络，其中S表示语义类的数量。TSNet的输出为

$\left\{\begin{array}{l} \mathbf{O}=M(\mathbf{X}) \\ \widetilde{\mathbf{O}}=\widetilde{M}(\widetilde{\mathbf{X}}) \end{array}\right.$

由于图像的特征包含许多物体的细节，因此我们引入了一个基于残差的融合模块，将图像特征融合到 LiDAR 流中。如图 4 （补充了公式对应的位置）所示，。设 $\left\{\mathbf{F}_{l} \in \mathbb{R}^{C_{l} \times H_{l} \times W_{l}}\right\}_{l=1}^{L}$ 是来自相机流的一组图像特征，其中 l 表示我们在其中获取特征的层。 $C_{l}$ 表示相机流中第l层的通道数。 $H_{l}$ 和 $W_{l}$ 分别表示第 l 层特征图的高度和宽度。设 $\left\{\widetilde{\mathbf{F}}_{l} \in \mathbb{R}^{\widetilde{C}_{l} \times H_{l} \times W_{l}}\right\}_{l=1}^{L}$ 为来自 LiDAR 流的特征，其中 $\widetilde{C}_{l}$ 表示 LiDAR 流中第 l 层的通道数。为了获得融合特征，我们首先连接来自每个网络的特征并使用卷积层来减少融合特征的通道数。融合特征 $\mathbf{F}_{l}^{f u s e} \in \mathbb{R}^{\widetilde{C}_{l} \times H_{l} \times W_{l}}$ 由下式计算

$\mathbf{F}_{l}^{f u s e}=f_{l}\left(\left[\widetilde{\mathbf{F}}_{l} ; \mathbf{F}_{l}\right]\right)$

其中 [· ; ·] 表示串联操作。fl(·) 是卷积运算关于第l个融合模块。

考虑到相机容易受到不同光照和天气条件的影响，RGB 图像的信息在室外环境中并不可靠。我们使用融合的特征作为原始 LiDAR 特征的补充，并基于残差结构设计融合模块 [24]。结合attention module [5], 融合模块的输出特征 $\mathbf{F}_{l}^{\text {out }} \in \mathbb{R}^{\widetilde{C}_{l} \times H_{l} \times W_{l}}$

$\mathbf{F}_{l}^{\text {out }}=\widetilde{\mathbf{F}}_{l}+\sigma\left(g_{l}\left(\mathbf{F}_{l}^{\text {fuse }}\right)\right) \odot \mathbf{F}_{l}^{\text {fuse }}$

σ是sigmoid， $g_{l}$ 表示attention模块中的卷积操作，⊙表示逐元素乘法运算。

（这里图四对应的是图三黄色部分，根绝图三示意，l应该就是3，也就是分层进行融合操作）

3.3. 感知损失的构建Construction of Perception-Aware Loss

感知感知损失的构建在我们的方法中非常重要。如图 2 所示，由于点云非常稀疏，LiDAR 流网络仅学习点的局部特征而忽略了物体的形状。相比之下，相机流可以很容易地从密集的图像中捕捉到物体的形状和纹理。换句话说，相机流和 LiDAR 流捕获的感知特征是不同的。凭借这种直觉，我们引入了感知损失，使融合网络专注于来自相机和 LiDAR 的感知特征。

为了测量激光雷达流中置信度，我们首先通过计算熵映射 $\tilde{\mathbf{E}} \in \mathbb{R}^{H \times W}$

$\widetilde{\mathbf{E}}_{h, w}=-\frac{1}{\log S} \sum_{s=1}^{S} \widetilde{\mathbf{O}}_{s, h, w} \log \left(\widetilde{\mathbf{O}}_{s, h, w}\right)$

根据[46]思想，我们使用logS来归一化熵到（0，1]。激光雷达的置信度 $\widetilde{\mathbf{C}}=\mathbf{1}-\widetilde{\mathbf{E}}$ ，同理相机流的置信度 ${\mathbf{C}}=\mathbf{1}-{\mathbf{E}}$ 。

（熵：越平均可能性越大、熵越大，这里衡量的是结果分布情况。也就是说我们希望某个像素点的分类结果集中在某一个标签上，因此熵会很小，因此归一化后希望趋近于0，而置信度就是趋近于1。自己的疑问，熵这里为什么不能是0呢）

注意到不是所有的相机流的信息都是有用的。例如，相机流在对象内部是有信心的，但可能会在边缘出错。（中间比较准边缘测可能比较差）此外，置信度分数较低的预测结果更容易出错。结合置信度阈值，我们通过以下方式衡量摄像机流中感知信息的重要性

$\widetilde{\boldsymbol{\Omega}}_{h, w}=\left\{\begin{array}{ll} \max \left(\widetilde{\mathbf{C}}_{h, w}-\mathbf{C}_{h, w}, 0\right), & \text { if } \widetilde{\mathbf{C}}_{h, w}>\tau \\ 0, & \text { otherwise } \end{array}\right.$

这里 τ 表示置信度阈值。

受 [25, 28, 61] 的启发，为了从相机流中学习感知信息，我们构建了激光雷达流的预测感知损失

$\widetilde{\mathcal{L}}_{p e r}=\frac{1}{Q} \sum_{h=1}^{H} \sum_{w=1}^{W} \widetilde{\boldsymbol{\Omega}}_{h, w} D_{K L}\left(\widetilde{\mathbf{O}}_{:, h, w} \| \mathbf{O}_{:, h, w}\right)$

其中 Q = H · W 和 $D_{KL}$ 表示 KullbackLeibler 散度。

（这里个人理解是，假设目前相机的置信度比较高（超过了阈值），同时激光雷达的置信度没这么高，此时就加到了 $\widetilde{\mathcal{L}}_{p e r}$ 中， $\widetilde{\boldsymbol{\Omega}}_{h, w}$ 这里相当于是mask。因此会优化激光流网络，让结果向着和相机流的置信度优化）。

除了感知损失外，我们还使用了现有分割工作中常用的multi-class focal loss [32] 和Lov´asz-softmax loss [4] 来训练激光雷达流。

$\widetilde{\mathcal{L}}=\widetilde{\mathcal{L}}_{f o c}+\lambda \widetilde{\mathcal{L}}_{l o v}+\gamma \widetilde{\mathcal{L}}_{p e r}$

$\widetilde{\mathcal{L}}_{f o c}$ 和 $\widetilde{\mathcal{L}}_{l o v}$ 分别是multi-class focal loss和Lov´asz-softmax loss， $\lambda$ 和 $\gamma$ 是超参数。

原文没有写具体公式这里简单讲解一下

focal loss，这个损失函数是在标准交叉熵损失基础上修改得到的。这个函数可以通过减少易分类样本的权重，使得模型在训练时更专注于难分类的样本。解决类别不平衡的问题

$\mathrm{FL}\left(p_{\mathrm{t}}\right)=-\left(1-p_{\mathrm{t}}\right)^{\gamma} \log \left(p_{\mathrm{t}}\right)$

Lovász-Softmax 该损失基于凸 Lovasz 扩展的子模块损失，直接优化神经网络中的平均 IoU。

$\operatorname{loss}(\boldsymbol{f})=\frac{1}{|\mathcal{C}|} \sum_{c \in \mathcal{C}} \overline{\Delta_{J_{c}}}(\boldsymbol{m}(c))$

虽然我看不懂但是大家肯定没问题的，大概就是说这两种loss比一般的交叉熵要好一点。可能优化的更快一点，或者结果更准一点。还有几个其他的损失函数可以来看下别人的知乎总结深度学习 - 损失函数 - 知乎

第三个loss就是刚才的预测感知损失。

——————————————————————————接下来是一样的

与激光雷达流类似，我们构造了用于优化相机流的目标。

$\boldsymbol{\Omega}_{h, w}=\left\{\begin{array}{ll} \max \left(\mathbf{C}_{h, w}-\widetilde{\mathbf{C}}_{h, w}, 0\right), & \text { if } \mathbf{C}_{h, w}>\tau, \\ 0, & \text { otherwise. } \end{array}\right.$

$\mathcal{L}_{p e r}=\frac{1}{Q} \sum_{h=1}^{H} \sum_{w=1}^{W} \boldsymbol{\Omega}_{h, w} D_{K L}\left(\mathbf{O}_{:, h, w} \| \widetilde{\mathbf{O}}_{:, h, w}\right) .$

$\mathcal{L}=\mathcal{L}_{f o c}+\lambda \mathcal{L}_{\text {lov }}+\gamma \mathcal{L}_{\text {per }}$

（原文中的算法放在了最后这里，再来看一遍这个算法就可以看懂了，不过最后步骤6中的更新，感觉是用两个loss分别更新两个流的网络。）

大佬们下边其实就不用看了~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~

4. 实验Experiments

在本节中，我们根据经验评估 PMF 在基准数据集上的性能，包括 SemanticKITTI [3] 和 nuScenes [7]。 SemanticKITTI 是一个基于 KITTI Odometry Benchmark [18] 的大规模数据集，提供 43,000 次带有逐点语义标注的扫描，其中 21,000 次扫描（序列 00-10）可用于训练和验证。该数据集有 19 个语义类，用于评估语义基准。 nuScenes 包含 1,000 个具有不同天气和光照条件的驾驶场景。场景分为 28,130 个训练帧和 6,019 个验证帧。与只提供前视摄像头图像的 SemanticKITTI 不同，nuScenes 有 6 个摄像头用于 LiDAR 的不同视角。

4.1. 实施细节Implementation Details

我们在 PyTorch [43] 中实现了所提出的方法，并分别使用 ResNet-34 [24] 和 SalsaNext [13] 作为相机流和 LiDAR 流的主干。因为我们处理相机坐标中的点云，所以我们将 ASPP [9] 纳入 LiDAR 流网络以自适应调整感受野。为了利用现有图像分类模型的优势，我们使用来自 [43] 的预训练 ImageNet 模型初始化 ResNet-34 的参数。我们还采用混合优化方法 [60] 来训练网络 w.r.t.不同的模态，即 SGD 和 Nesterov [41] 用于相机流，Adam [29] 用于 LiDAR 流。我们在两个基准数据集上训练网络 50 个时期。学习率从 0.001 开始，并使用余弦策略衰减到 0 [36]。我们在 SemanticKITTI 上将批量大小设置为 8，在 nuScenes 上将批量大小设置为 24。我们将 τ、γ、λ 分别设置为 0.7、0.5 和 1.0。3 为了防止过度拟合，使用了一系列数据增强策略，包括随机水平翻转、颜色抖动、2D 随机旋转和随机裁剪。我们的源代码可在 https://github.com/ICEORY/PMF 获得。

4.2. KITTI结果Results on SemanticKITTI

为了评估我们在语义上的方法，我们将PMF与几种最先进的仅激光雷达方法 (包括SalsaNext [13]，Cylinder3D [64] 等) 进行了比较。由于SemanticKITTI仅提供前视摄像机的图像，因此我们将点云投影到透视图，并仅保留图像上的可用点以构建SemanticKITTI的子集。在 [13,28，64] 之后，我们使用序列08进行验证。其余序列 (00-07和09-10) 用作训练集。我们在数据集上评估了最先进的仅激光雷达方法的发布模型。由于SPVNAS [51] 没有发布其最佳模型，因此我们报告了最佳发布模型 (带有65G mac) 的结果。此外，我们在数据集上重新实现了两种最先进的基于融合的方法，即RGBAL [37] 和PointPainting [52]。

从表1中，PMF在基于投影的方法中获得了最佳性能。例如，PMF在mIoU中4.5% 优于SalsaNext。然而，通过在mIoU中1.0%，PMF的性能比最先进的3D卷积方法 (即Cylinder3D) 差。由于长距离感知对自动驾驶汽车的安全性也至关重要，因此我们还对SemanticKITTI进行了基于距离的评估。从图5中，由于点云在距离增加时变得稀疏，因此仅激光雷达的方法在长距离下会遭受很大的性能下降。相反，由于图像为远处的物体提供了更多信息，因此基于融合的方法在远距离上优于仅激光雷达的方法。具体地，当距离大于30米时，PMF实现最佳性能。这表明我们的方法更适合解决稀疏点云的分割问题。这种能力源于我们的融合策略，该策略有效地结合了RGB图像。

4.3.nuScenes的结果 Results on nuScenes

在 [64] 之后，为了在更复杂的场景中评估我们的方法，我们将PMF与nuScenes LiDAR-seg验证集上的最新方法进行了比较。实验结果如表2所示。注意，nuScenes的点云比SemanticKITTI的点云稀疏 (35k点/帧对125k点/帧)。因此，对于3D分割任务而言更具挑战性。在这种情况下，与LiDARonly方法相比，PMF达到了最佳性能。具体而言，PMF在mIoU中0.8% 优于Cylinder3D。此外，与最先进的2D卷积方法 (即SalsaNext) 相比，PMF在mIoU方面取得了4.7% 的改善。这些结果与我们的预期一致。由于PMF结合了RGB图像，因此我们的融合策略能够解决稀疏点云下这种具有挑战性的分割。

4.4. 定性评价Qualitative Evaluation

为了更好地理解 PMF 的优势，我们可视化了 PMF 在基准数据集上的预测。4从图 6 中可以看出，与 Cylinder3D 相比，PMF 在对象边缘实现了更好的性能。例如，如图 6 (d) 所示，PMF 分割的卡车具有更完整的形状。更关键的是，PMF 对不同的照明条件具有鲁棒性。具体来说，如图 7 所示，PMF 在更具挑战性的场景（例如夜晚）上优于基线。此外，如图 6 (e) 和图 7 (c) 所示，PMF 生成密集的分割结果，结合了相机和 LiDAR 的优点，这与现有的仅 LiDAR 和基于融合的方法有很大不同。

4.5. Adversarial Analysis

为了研究 PMF 在对抗样本上的稳健性，我们首先向图像插入额外的对象（例如，交通标志）并保持点云不变。5 此外，我们实施了一种仅限相机的方法，即 FCN [35] , 以 SemanticKITTI 为基线。请注意，我们在训练期间不使用任何对抗训练技术。如图 8 所示，仅相机方法很容易受到输入图像变化的影响。相比之下，由于 PMF 集成了可靠的点云信息，因此在特征融合过程中图像中的噪声减少，对模型性能的影响很小。

（这个感觉就是p图，然后说FCN仅图像的效果不好。感觉有一点点牵强，因为融合信息仅作为类似加强信息加到激光网络中，所以加入在激光中加入噪声，不知道结果。不过以前有一个想法，加入一辆车的涂装是马路颜色，纯视觉的能分辨出来的吗）

4.6. Efficiency Analysis

在本节中，我们评估 PMF 在 GeForce RTX 3090 上的效率。请注意，我们从两个方面考虑 PMF 的效率。首先，由于相机流的预测被融合到 LiDAR 流中，我们删除了相机流的解码器以加速推理。其次，我们的 PMF 建立在二维卷积之上，可以通过现有的推理工具包（例如 TensorRT）轻松优化。相比之下，Cylinder3D 是建立在 3D 稀疏卷积 [20] 上的，很难被 TensorRT 加速。我们在表 3 中报告了通过 TensorRT 优化的不同模型的推理时间。从结果来看，我们的 PMF 在 nuScenes 上实现了最佳性能，并且比 Cylinder3D 快 2.8 倍（22.3 毫秒对 62.5 毫秒）且参数更少。

5. 消融实验Ablation Study

5.1. 网络组件的影响Effect of Network Components

我们研究了PMF的网络组件的影响，即透视投影，ASPP，基于残差的融合模块和感知感知损失。实验结果如表4所示。由于我们仅使用SemanticKITTI的frontview point云，因此我们使用官方发布的代码将SalsaNext训练为数据集的基线。比较表4中的第一行和第二行，与仅激光雷达输入的球形投影相比，透视投影仅实现0.4% 的mIoU改进。相比之下，对比第四和第五行，透视投影带来了比具有多模态数据输入的球形投影5.9% 的mIoU改进。从第三和第五线开始，我们的融合模块为融合网络带来了2.0% 的mIoU改进。此外，比较第五和第六行，感知感知损耗通过2.2% mIoU来提高网络性能。

5.2. 感知损失影响Effect of Perception-Aware Loss

为了研究感知感知损失的影响，我们在图9中可视化了有和没有感知感知损失的LiDAR流网络的预测。从结果来看，感知感知损失有助于激光雷达流从图像中捕获感知信息。例如，用感知感知损失训练的模型学习汽车的完整形状，而基线模型只关注点的局部特征。由于感知感知损失引入了RGB图像和点云之间的感知差异，因此可以有效地融合来自两种模态数据的感知信息。结果，我们的PMF生成了密集的预测，这些预测结合了图像和点云的好处。

6. 结论Conclusion

在这项工作中，我们提出了一种用于 3D LiDAR 语义分割的感知感知多传感器融合方案。与在 LiDAR 坐标系中进行特征融合的现有方法不同，我们将点云投影到相机坐标系，以实现来自两种模态的感知特征的协同融合。此外，通过融合来自相机和 LiDAR 的互补信息，PMF 对复杂的室外场景具有鲁棒性。两个基准的实验结果表明了我们方法的优越性。未来，我们会将 PMF 扩展到自动驾驶中的其他具有挑战性的任务，例如目标检测。（为啥我感觉语义分割比目标检测更难）

整理不易，求点赞！

你可能感兴趣的:(语义,论文阅读,深度学习)

机器学习与深度学习间关系与区别 ℒℴѵℯ心·动ꦿ໊ོ꫞ 人工智能学习深度学习 python
一、机器学习概述定义机器学习（MachineLearning,ML）是一种通过数据驱动的方法，利用统计学和计算算法来训练模型，使计算机能够从数据中学习并自动进行预测或决策。机器学习通过分析大量数据样本，识别其中的模式和规律，从而对新的数据进行判断。其核心在于通过训练过程，让模型不断优化和提升其预测准确性。主要类型1.监督学习（SupervisedLearning）监督学习是指在训练数据集中包含输入
将cmd中命令输出保存为txt文本文件落难Coder Windows cmd window
最近深度学习本地的训练中我们常常要在命令行中运行自己的代码，无可厚非，我们有必要保存我们的炼丹结果，但是复制命令行输出到txt是非常麻烦的，其实Windows下的命令行为我们提供了相应的操作。其基本的调用格式就是：运行指令>输出到的文件名称或者具体保存路径测试下，我打开cmd并且ping一下百度：pingwww.baidu.com>./data.txt看下相同目录下data.txt的输出：如果你再
推荐算法_隐语义-梯度下降 _feivirus_ 算法机器学习和数学推荐算法机器学习隐语义
importnumpyasnp1.模型实现"""inputrate_matrix:M行N列的评分矩阵，值为P*Q.P:初始化用户特征矩阵M*K.Q:初始化物品特征矩阵K*N.latent_feature_cnt:隐特征的向量个数max_iteration:最大迭代次数alpha:步长lamda:正则化系数output分解之后的P和Q"""defLFM_grad_desc(rate_matrix,l
免费的GPT可在线直接使用（一键收藏） kkai人工智能 gpt
1、LuminAI（https://kk.zlrxjh.top）LuminAI标志着一款融合了星辰大数据模型与文脉深度模型的先进知识增强型语言处理系统，旨在自然语言处理（NLP）的技术开发领域发光发热。此系统展现了卓越的语义把握与内容生成能力，轻松驾驭多样化的自然语言处理任务。VisionAI在NLP界的应用领域广泛，能够胜任从机器翻译、文本概要撰写、情绪分析到问答等众多任务。通过对大量文本数据的
推荐3家毕业AI论文可五分钟一键生成！文末附免费教程！小猪包333 写论文人工智能 AI写作深度学习计算机视觉
在当前的学术研究和写作领域，AI论文生成器已经成为许多研究人员和学生的重要工具。这些工具不仅能够帮助用户快速生成高质量的论文内容，还能进行内容优化、查重和排版等操作。以下是三款值得推荐的AI论文生成器：千笔-AIPassPaper、懒人论文以及AIPaperPass。千笔-AIPassPaper千笔-AIPassPaper是一款基于深度学习和自然语言处理技术的AI写作助手，旨在帮助用户快速生成高质
AI大模型的架构演进与最新发展季风泯灭的季节 AI大模型应用技术二人工智能架构
随着深度学习的发展，AI大模型（LargeLanguageModels,LLMs）在自然语言处理、计算机视觉等领域取得了革命性的进展。本文将详细探讨AI大模型的架构演进，包括从Transformer的提出到GPT、BERT、T5等模型的历史演变，并探讨这些模型的技术细节及其在现代人工智能中的核心作用。一、基础模型介绍：Transformer的核心原理Transformer架构的背景在Transfo
[实践应用] 深度学习之模型性能评估指标 YuanDaima2048 深度学习工具使用深度学习人工智能损失函数性能评估 pytorch python 机器学习
文章总览：YuanDaiMa2048博客文章总览深度学习之模型性能评估指标分类任务回归任务排序任务聚类任务生成任务其他介绍在机器学习和深度学习领域，评估模型性能是一项至关重要的任务。不同的学习任务需要不同的性能指标来衡量模型的有效性。以下是对一些常见任务及其相应的性能评估指标的详细解释和总结。分类任务分类任务是指模型需要将输入数据分配到预定义的类别或标签中。以下是分类任务中常用的性能指标：准确率(
[实践应用] 深度学习之优化器 YuanDaima2048 深度学习工具使用 pytorch 深度学习人工智能机器学习 python 优化器
文章总览：YuanDaiMa2048博客文章总览深度学习之优化器1.随机梯度下降（SGD）2.动量优化（Momentum）3.自适应梯度（Adagrad）4.自适应矩估计（Adam）5.RMSprop总结其他介绍在深度学习中，优化器用于更新模型的参数，以最小化损失函数。常见的优化函数有很多种，下面是几种主流的优化器及其特点、原理和PyTorch实现：1.随机梯度下降（SGD）原理:随机梯度下降通过
生成式地图制图 Bwywb_3 深度学习机器学习深度学习生成对抗网络
生成式地图制图（GenerativeCartography）是一种利用生成式算法和人工智能技术自动创建地图的技术。它结合了传统的地理信息系统（GIS）技术与现代生成模型（如深度学习、GANs等），能够根据输入的数据自动生成符合需求的地图。这种方法在城市规划、虚拟环境设计、游戏开发等多个领域具有应用前景。主要特点：自动化生成：通过算法和模型，系统能够根据输入的地理或空间数据自动生成地图，而无需人工逐
吴恩达深度学习笔记(30)-正则化的解释极客Array
正则化（Regularization）深度学习可能存在过拟合问题——高方差，有两个解决方法，一个是正则化，另一个是准备更多的数据，这是非常可靠的方法，但你可能无法时时刻刻准备足够多的训练数据或者获取更多数据的成本很高，但正则化通常有助于避免过拟合或减少你的网络误差。如果你怀疑神经网络过度拟合了数据，即存在高方差问题，那么最先想到的方法可能是正则化，另一个解决高方差的方法就是准备更多数据，这也是非常
个人学习笔记7-6：动手学深度学习pytorch版-李沐浪子L 深度学习深度学习笔记计算机视觉 python 人工智能神经网络 pytorch
#人工智能##深度学习##语义分割##计算机视觉##神经网络#计算机视觉13.11全卷积网络全卷积网络（fullyconvolutionalnetwork，FCN）采用卷积神经网络实现了从图像像素到像素类别的变换。引入l转置卷积（transposedconvolution）实现的，输出的类别预测与输入图像在像素级别上具有一一对应关系：通道维的输出即该位置对应像素的类别预测。13.11.1构造模型下
FlagEmbedding 吉小雨 python库 python
FlagEmbedding教程FlagEmbedding是一个用于生成文本嵌入（textembeddings）的库，适合处理自然语言处理（NLP）中的各种任务。嵌入（embeddings）是将文本表示为连续向量，能够捕捉语义上的相似性，常用于文本分类、聚类、信息检索等场景。官方文档链接：FlagEmbedding官方GitHub一、FlagEmbedding库概述1.1什么是FlagEmbeddi
深度学习-点击率预估-研究论文2024-09-14速读 sp_fyf_2024 深度学习人工智能
深度学习-点击率预估-研究论文2024-09-14速读1.DeepTargetSessionInterestNetworkforClick-ThroughRatePredictionHZhong,JMa,XDuan,SGu,JYao-2024InternationalJointConferenceonNeuralNetworks,2024深度目标会话兴趣网络用于点击率预测摘要：这篇文章提出了一种新
损失函数与反向传播 Star_. PyTorch pytorch 深度学习 python
损失函数定义与作用损失函数(lossfunction)在深度学习领域是用来计算搭建模型预测的输出值和真实值之间的误差。1.损失函数越小越好2.计算实际输出与目标之间的差距3.为更新输出提供依据（反向传播)常见的损失函数回归常见的损失函数有：均方差（MeanSquaredError，MSE）、平均绝对误差（MeanAbsoluteErrorLoss，MAE）、HuberLoss是一种将MSE与MAE
Linux中GCC与GDB 常用命令详解 Dijkstra's Monk-ey Linux与安全 linux gdb shell 安全 c语言
GCC和GDB常用命令详解GCC常用的选项GDBLINUX下编程，少不了和GCC,GDB打交道，现在总结下常用命令，掌握这些足够用了。GCC常用的选项选项语义-o指定生成的输出文件-E仅执行编译预处理gcc的-E选项，可以让编译器在预处理后停止，并输出预处理结果。-S将C代码转换为汇编代码gcc的-S选项，表示在程序编译期间，在生成汇编代码后停止-wall显示警告信息-c生成目标文件（.o），仅执
【深度学习】训练过程中一个OOM的问题，太难查了 weixin_40293999 深度学习深度学习人工智能
现象：各位大佬又遇到过ubuntu的这个问题么？现象是在训练过程中，ssh上不去了，能ping通，没死机，但是ubunutu的pc侧的显示器，鼠标啥都不好用了。只能重启。问题原因：OOM了95G，尼玛！！！！pytorch爆内存了，然后journald假死了，在journald被watchdog干掉之后，系统就崩溃了。这种规模的爆内存一般，即使被oomkill了，也要卡半天的，确实会这样，能不能配
VITS 源码解析2-模型概述迪三 #NN_Audio 音频人工智能
VITs是文本到语音(Text-to-Speech,TTS)任务中最流行的技术之一，其实现思路是将文本语音信息融合到了HiFiGAN潜空间内,通过文本控制HiFiGAN的生成器，输出含文本语义的声音。VITs主要以GAN的方式训练,其生成器G是SynthesizerTrn，判别器D是MPD。VITS的判别器几乎和HiFiGAN一样，生成器则融合了文本、时序、声音三大类模型1.文件概述模型部分包含三
云服务业界动态简报-20180128 Captain7
一、青云青云QingCloud推出深度学习平台DeepLearningonQingCloud，包含了主流的深度学习框架及数据科学工具包，通过QingCloudAppCenter一键部署交付，可以让算法工程师和数据科学家快速构建深度学习开发环境，将更多的精力放在模型和算法调优。二、腾讯云1.腾讯云正式发布腾讯专有云TCE(TencentCloudEnterprise)矩阵，涵盖企业版、大数据版、AI
机器学习VS深度学习 nfgo 机器学习
机器学习（MachineLearning,ML）和深度学习（DeepLearning,DL）是人工智能（AI）的两个子领域，它们有许多相似之处，但在技术实现和应用范围上也有显著区别。下面从几个方面对两者进行区分：1.概念层面机器学习：是让计算机通过算法从数据中自动学习和改进的技术。它依赖于手动设计的特征和数学模型来进行学习，常用的模型有决策树、支持向量机、线性回归等。深度学习：是机器学习的一个子领
大数据毕业设计hadoop+spark+hive知识图谱租房数据分析可视化大屏租房推荐系统 58同城租房爬虫房源推荐系统房价预测系统计算机毕业设计机器学习深度学习人工智能 2401_84572577 程序员大数据 hadoop 人工智能
做了那么多年开发，自学了很多门编程语言，我很明白学习资源对于学一门新语言的重要性，这些年也收藏了不少的Python干货，对我来说这些东西确实已经用不到了，但对于准备自学Python的人来说，或许它就是一个宝藏，可以给你省去很多的时间和精力。别在网上瞎学了，我最近也做了一些资源的更新，只要你是我的粉丝，这期福利你都可拿走。我先来介绍一下这些东西怎么用，文末抱走。（1）Python所有方向的学习路线（
深度学习-13-小语言模型之SmolLM的使用皮皮冰燃深度学习深度学习
文章附录1SmolLM概述1.1SmolLM简介1.2下载模型2运行2.1在CPU/GPU/多GPU上运行模型2.2使用torch.bfloat162.3通过位和字节的量化版本3应用示例4问题及解决4.1attention_mask和pad_token_id报错4.2max_new_tokens=205参考附录1SmolLM概述1.1SmolLM简介SmolLM是一系列尖端小型语言模型，提供三种规
前端使用react-intl-universal进行国际化 Stephy_Yy #调研 reactjs javascript css
一、国际化/i18n目前国际化，就是开发者写对象，一个key关联若干语种的翻译。相比于浏览器自带的翻译功能，语义更加准确。“国际化”的简称：i18n（其来源是英文单词internationalization的首末字符i和n，18为中间的字符数）二、react项目国际化react-intl是业界最受欢迎的软件包之一：React-intl是雅虎的语言国际化开源项目FormatJS的一部分，通过其提供的
基于深度学习的农作物病害检测 SEU-WYL 深度学习dnn 深度学习人工智能
基于深度学习的农作物病害检测利用卷积神经网络（CNN）、生成对抗网络（GAN）、Transformer等深度学习技术，自动识别和分类农作物的病害，帮助农业工作者提高作物管理效率、减少损失。1.农作物病害检测的挑战病害种类繁多：农作物病害的类型多样，不同病害在同一作物上的表现差异很大，同时同一种病害在不同生长阶段的症状也可能不同。环境影响：天气、光照、湿度等外部环境因素会影响农作物的表现，使得病害检
基于深度学习的文本引导的图像编辑 SEU-WYL 深度学习dnn 深度学习人工智能
基于深度学习的文本引导的图像编辑（Text-GuidedImageEditing）是一种通过自然语言文本指令对图像进行编辑或修改的技术。它结合了图像生成和自然语言处理（NLP）的最新进展，使用户能够通过描述性文本对图像内容进行精确的调整和操控。1.文本引导的图像编辑的挑战文本和图像之间的对齐：如何将文本中的语义信息准确地映射到图像中的特定区域或元素是一个关键挑战。这涉及到多模态数据的对齐和理解。编
深度学习--对抗生成网络（GAN, Generative Adversarial Network） Ambition_LAO 深度学习生成对抗网络
对抗生成网络（GAN,GenerativeAdversarialNetwork）是一种深度学习模型，由IanGoodfellow等人在2014年提出。GAN主要用于生成数据，通过两个神经网络相互对抗，来生成以假乱真的新数据。以下是对GAN的详细阐述，包括其概念、作用、核心要点、实现过程、代码实现和适用场景。1.概念GAN由两个神经网络组成：生成器（Generator）和判别器（Discrimina
深度学习：怎么看pth文件的参数奥利给少年深度学习人工智能
.pth文件是PyTorch模型的权重文件，它通常包含了训练好的模型的参数。要查看或使用这个文件，你可以按照以下步骤操作：1.确保你有模型的定义你需要有创建这个.pth文件时所用的模型的代码。这意味着你需要有模型的类定义和架构。2.加载模型权重使用PyTorch的load_state_dict方法来加载权重。这里是如何操作的：importtorchimporttorch.nnasnn#定义模型结构
chatgpt赋能python：如何在Python中安装Keras库？ turensu ChatGpt python chatgpt keras 计算机
如何在Python中安装Keras库？Keras是一个简单易用的神经网络库，由FrançoisChollet编写。它在Python编程语言中实现了深度学习的功能，可以使您更轻松地构建和试验不同类型的神经网络。如果您是一名Python开发人员，肯定会想知道如何在您的Python项目中安装Keras库。在本文中，我们将向您展示如何安装和配置Keras库。步骤1：安装Python要使用Keras库，您需
如何理解深度学习的训练过程奋斗的草莓熊深度学习人工智能 python scikit-learn virtualenv numpy pandas
文章目录1.训练是干什么？2.预训练模型进行训练，主要更改的是预训练模型的什么东西？1.训练是干什么？以yolov5为例子，训练的目的是把一组输入猫狗图像放到神经网络中，得到一个输出模型，这个模型下次可以直接用来识别哪个是猫，哪个是狗2.预训练模型进行训练，主要更改的是预训练模型的什么东西？超参数（Hyperparameters）：这是模型结构中定义的参数，比如：卷积核大小（kernel_size
Keras深度学习框架入门及实战指南司莹嫣Maude
Keras深度学习框架入门及实战指南keraskeras-team/keras:是一个基于Python的深度学习库，它没有使用数据库。适合用于深度学习任务的开发和实现，特别是对于需要使用Python深度学习库的场景。特点是深度学习库、Python、无数据库。项目地址:https://gitcode.com/gh_mirrors/ke/keras一、项目介绍Keras简介Keras是一款高级神经网络
深度学习驱动的车牌识别：技术演进与未来挑战逼子歌深度学习车牌识别神经网络字符识别 YOLO 卷积神经网络
一、引言1.1研究背景在当今社会，智能交通系统的发展日益重要，而车牌识别作为其关键组成部分，发挥着至关重要的作用。车牌识别技术广泛应用于交通管理、停车场管理、安防监控等领域。在交通管理中，它可以用于车辆识别、交通违法监控和车流统计等，提高交通管理的效率和准确性。在停车场管理中，实现车辆的自动识别和收费，提升管理和服务水平。在安防监控领域，可用于追踪嫌疑人及犯罪行为。深度学习的出现为车牌识别带来了重
JVM StackMapTable 属性的作用及理解 lijingyao8206 jvm 字节码 Class文件 StackMapTable
在Java 6版本之后JVM引入了栈图(Stack Map Table)概念。为了提高验证过程的效率，在字节码规范中添加了Stack Map Table属性，以下简称栈图，其方法的code属性中存储了局部变量和操作数的类型验证以及字节码的偏移量。也就是一个method需要且仅对应一个Stack Map Table。在Java 7版
回调函数调用方法百合不是茶 java
最近在看大神写的代码时,.发现其中使用了很多的回调 ,以前只是在学习的时候经常用到 ,现在写个笔记记录一下代码很简单: MainDemo :调用方法得到方法的返回结果
[时间机器]制造时间机器需要一些材料 comsci 制造
根据我的计算和推测,要完全实现制造一台时间机器,需要某些我们这个世界不存在的物质和材料... 甚至可以这样说,这种材料和物质,我们在反应堆中也无法获得......
开口埋怨不如闭口做事邓集海邓集海做人做事工作
“开口埋怨，不如闭口做事。”不是名人名言，而是一个普通父亲对儿子的训导。但是，因为这句训导，这位普通父亲却造就了一个名人儿子。这位普通父亲造就的名人儿子，叫张明正。　　　　张明正出身贫寒，读书时成绩差，常挨老师批评。高中毕业，张明正连普通大学的分数线都没上。高考成绩出来后，平时开口怨这怨那的张明正，不从自身找原因，而是不停地埋怨自己家庭条件不好、埋怨父母没有给他创造良好的学习环境。　　　　
jQuery插件开发全解析，类级别与对象级别开发 IT独行者 jquery 开发插件　函数
jQuery插件的开发包括两种：一种是类级别的插件开发，即给 jQuery添加新的全局函数，相当于给 jQuery类本身添加方法。 jQuery的全局函数就是属于 jQuery命名空间的函数，另一种是对象级别的插件开发，即给 jQuery对象添加方法。下面就两种函数的开发做详细的说明。 1 、类级别的插件开发类级别的插件开发最直接的理解就是给jQuer
Rome解析Rss 413277409 Rome解析Rss
import java.net.URL; import java.util.List; import org.junit.Test; import com.sun.syndication.feed.synd.SyndCategory; import com.sun.syndication.feed.synd.S
RSA加密解密无量加密解密 rsa
RSA加密解密代码代码有待整理 package com.tongbanjie.commons.util; import java.security.Key; import java.security.KeyFactory; import java.security.KeyPair; import java.security.KeyPairGenerat
linux 软件安装遇到的问题 aichenglong linux 遇到的问题 ftp
1 ftp配置中遇到的问题 500 OOPS: cannot change directory 出现该问题的原因:是SELinux安装机制的问题.只要disable SELinux就可以了修改方法:1 修改/etc/selinux/config 中SELINUX=disabled 2 source /etc
面试心得 alafqq 面试
最近面试了好几家公司。记录下；支付宝，面试我的人胖胖的，看着人挺好的；博彦外包的职位，面试失败；阿里金融，面试官人也挺和善，只不过我让他吐血了。。。由于印象比较深，记录下； 1，自我介绍 2，说下八种基本类型；（算上string。楼主才答了3种，哈哈，string其实不是基本类型，是引用类型） 3，什么是包装类，包装类的优点； 4，平时看过什么书？NND，什么书都没看过。。照样
java的多态性探讨百合不是茶 java
java的多态性是指main方法在调用属性的时候类可以对这一属性做出反应的情况 //package 1; class A{ public void test(){ System.out.println("A"); } } class D extends A{ public void test(){ S
网络编程基础篇之JavaScript-学习笔记 bijian1013 JavaScript
1.documentWrite <html> <head> <script language="JavaScript"> document.write("这是电脑网络学校"); document.close(); </script> </h
探索JUnit4扩展：深入Rule bijian1013 JUnit Rule 单元测试
本文将进一步探究Rule的应用，展示如何使用Rule来替代@BeforeClass，@AfterClass，@Before和@After的功能。在上一篇中提到，可以使用Rule替代现有的大部分Runner扩展，而且也不提倡对Runner中的withBefores()，withAfte
[CSS]CSS浮动十五条规则 bit1129 css
这些浮动规则，主要是参考CSS权威指南关于浮动规则的总结，然后添加一些简单的例子以验证和理解这些规则。 1. 所有的页面元素都可以浮动 2. 一个元素浮动后，会成为块级元素，比如<span>,a, strong等都会变成块级元素 3.一个元素左浮动，会向最近的块级父元素的左上角移动，直到浮动元素的左外边界碰到块级父元素的左内边界；如果这个块级父元素已经有浮动元素停靠了
【Kafka六】Kafka Producer和Consumer多Broker、多Partition场景 bit1129 partition
0.Kafka服务器配置 3个broker 1个topic，6个partition，副本因子是2 2个consumer，每个consumer三个线程并发读取 1. Producer package kafka.examples.multibrokers.producers; import java.util.Properties; import java.util.
zabbix_agentd.conf配置文件详解 ronin47 zabbix 配置文件
Aliaskey的别名，例如 Alias=ttlsa.userid:vfs.file.regexp[/etc/passwd,^ttlsa:.:([0-9]+),,,,\1]，或者ttlsa的用户ID。你可以使用key：vfs.file.regexp[/etc/passwd,^ttlsa:.: ([0-9]+),,,,\1]，也可以使用ttlsa.userid。备注: 别名不能重复，但是可以有多个
java--19.用矩阵求Fibonacci数列的第N项 bylijinnan fibonacci
参考了网上的思路，写了个Java版的： public class Fibonacci { final static int[] A={1,1,1,0}; public static void main(String[] args) { int n=7; for(int i=0;i<=n;i++){ int f=fibonac
Netty源码学习-LengthFieldBasedFrameDecoder bylijinnan java netty
先看看LengthFieldBasedFrameDecoder的官方API http://docs.jboss.org/netty/3.1/api/org/jboss/netty/handler/codec/frame/LengthFieldBasedFrameDecoder.html API举例说明了LengthFieldBasedFrameDecoder的解析机制，如下：实
AES加密解密 chicony 加密解密
AES加解密算法，使用Base64做转码以及辅助加密： package com.wintv.common; import javax.crypto.Cipher; import javax.crypto.spec.IvParameterSpec; import javax.crypto.spec.SecretKeySpec; import sun.misc.BASE64Decod
文件编码格式转换 ctrain 编码格式
package com.test; import java.io.File; import java.io.FileInputStream; import java.io.FileOutputStream; import java.io.IOException; import java.io.InputStream; import java.io.OutputStream;
mysql 在linux客户端插入数据中文乱码 daizj mysql 中文乱码
1、查看系统客户端，数据库，连接层的编码查看方法： http://daizj.iteye.com/blog/2174993 进入mysql，通过如下命令查看数据库编码方式： mysql> show variables like 'character_set_%'; +--------------------------+------
好代码是廉价的代码 dcj3sjt126com 程序员读书
长久以来我一直主张：好代码是廉价的代码。当我跟做开发的同事说出这话时，他们的第一反应是一种惊愕，然后是将近一个星期的嘲笑，把它当作一个笑话来讲。当他们走近看我的表情、知道我是认真的时，才收敛一点。当最初的惊愕消退后，他们会用一些这样的话来反驳： “好代码不廉价，好代码是采用经过数十年计算机科学研究和积累得出的最佳实践设计模式和方法论建立起来的精心制作的程序代码。” 我只
Android网络请求库——android-async-http dcj3sjt126com android
在iOS开发中有大名鼎鼎的ASIHttpRequest库，用来处理网络请求操作，今天要介绍的是一个在Android上同样强大的网络请求库android-async-http，目前非常火的应用Instagram和Pinterest的Android版就是用的这个网络请求库。这个网络请求库是基于Apache HttpClient库之上的一个异步网络请求处理库，网络处理均基于Android的非UI线程，通
ORACLE 复习笔记之SQL语句的优化 eksliang SQL优化 Oracle sql语句优化 SQL语句的优化
转载请出自出处：http://eksliang.iteye.com/blog/2097999 SQL语句的优化总结如下 sql语句的优化可以按照如下六个步骤进行：合理使用索引避免或者简化排序消除对大表的扫描避免复杂的通配符匹配调整子查询的性能 EXISTS和IN运算符下面我就按照上面这六个步骤分别进行总结：
浅析：Android 嵌套滑动机制（NestedScrolling） gg163 android 移动开发滑动机制嵌套
谷歌在发布安卓 Lollipop版本之后，为了更好的用户体验，Google为Android的滑动机制提供了NestedScrolling特性 NestedScrolling的特性可以体现在哪里呢？ 比如你使用了Toolbar，下面一个ScrollView，向上滚
使用hovertree菜单作为后台导航 hvt JavaScript jquery .net hovertree asp.net
hovertree是一个jquery菜单插件，官方网址：http://keleyi.com/jq/hovertree/ ，可以登录该网址体验效果。 0.1.3版本：http://keleyi.com/jq/hovertree/demo/demo.0.1.3.htm hovertree插件包含文件： http://keleyi.com/jq/hovertree/css
SVG 教程（二）矩形天梯梦 svg
SVG <rect> SVG Shapes SVG有一些预定义的形状元素，可被开发者使用和操作：矩形 <rect> 圆形 <circle> 椭圆 <ellipse> 线 <line> 折线 <polyline> 多边形 <polygon> 路径 <path>
一个简单的队列 luyulong java 数据结构队列
public class MyQueue { private long[] arr; private int front; private int end; // 有效数据的大小 private int elements; public MyQueue() { arr = new long[10]; elements = 0; front
基础数据结构和算法九：Binary Search Tree sunwinner Algorithm
A binary search tree (BST) is a binary tree where each node has a Comparable key (and an associated value) and satisfies the restriction that the key in any node is larger than the keys in all
项目出现的一些问题和体会 Steven-Walker DAO Web servlet
第一篇博客不知道要写点什么，就先来点近阶段的感悟吧。这几天学了servlet和数据库等知识，就参照老方的视频写了一个简单的增删改查的，完成了最简单的一些功能，使用了三层架构。 dao层完成的是对数据库具体的功能实现，service层调用了dao层的实现方法，具体对servlet提供支持。 &
高手问答：Java老A带你全面提升Java单兵作战能力！ ITeye管理员 java
本期特邀《Java特种兵》作者：谢宇，CSDN论坛ID: xieyuooo 针对JAVA问题给予大家解答，欢迎网友积极提问，与专家一起讨论! 作者简介：淘宝网资深Java工程师，CSDN超人气博主，人称“胖哥”。 CSDN博客地址： http://blog.csdn.net/xieyuooo 作者在进入大学前是一个不折不扣的计算机白痴，曾经被人笑话过不懂鼠标是什么，